Is smart city low-carbon? Evidence from China
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Smart cities were originally conceived to address a myriad of urban challenges arising from rapid urbanization, including energy scarcity, congestion, and environmental degradation. The Chinese government has made substantial efforts to advance smart city initiatives. However, the extent to which the integration of smart technologies contributes to urban sustainability, especially within a high-carbon urbanization paradigm, poses a critical question in light of escalating extreme weather events and worsening global challenges. Urgency is underscored in prioritizing low-carbon strategies within smart city frameworks. This paper presents a Multicriteria Decision Making Network (MCDN) approach to assess and rank the low-carbon levels (LCL) of 36 pilot smart cities in China. Findings reveal that overall LCL among these cities remains relatively modest, with significant disparities attributed to varying economic, social, institutional, cultural, and environmental contexts. The study also delves into the nexus between urban intelligence and LCL, highlighting a discernible positive correlation between a city's smartness and its low-carbon profile. Moreover, empirical evidence suggests that advancements in smart technologies are conducive, albeit to varying degrees, to enhancing urban LCL. In light of these findings, recommendations are made to fortify economic and social advancement, bolster management practices, and foster multi-stakeholder collaboration to propel the coordinated development of smart and low-carbon initiatives in China.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle